光学元件缺陷批量自动识别装置和方法与流程

本发明涉及光学元件的缺陷识别，尤其涉及光学元件缺陷批量自动识别装置和方法。

背景技术：

镜片质量检测是镜片生产企业普遍面临的难题，传统的工人检测镜片的落后模式使生产率严重低下，而现有的各种自动化检测设备和方法只能针对单一镜片进行检测，或者无法解决镜片旋转、光照不均匀影响检测误差的问题，因此无法实现高精确度及高速的大批量检测。

因此，如何以较高的精确度实现对大批量镜片的同步、自动、高速检测，是目前亟待解决的问题。

技术实现要素：

本发明的光学元件缺陷批量自动识别方法和装置旨在帮助镜片生产企业能摆脱传统的人工检验镜片的落后模式，能极大的提高生产效率，增加企业竞争能力。采用先进的数字图像处理技术快速检测，可以根据客户的检测要求，自动批量对镜片进行分析统计缺陷数据。

根据本发明的一方面，提供了一种光学元件缺陷批量自动识别装置，该装置包括：光源，为拍摄标准镜片及待检测的镜片提供光照；支架，用于盛放待检测的一批镜片；图像采集装置，对多个标准镜片逐个进行拍照，并将所述多个标准镜片的照片输入分析装置；并对支架进行拍照，获得包含一批镜片的图像并输入所述分析装置；分析装置，采用SIFT算法针对所述多个标准镜片的照片提取多个标准特征向量，形成比对库；对所述图像用拉普拉斯算子进行锐化，并用罗伯特算子进行边缘提取，然后将所述一批镜片中的每一个镜片的图像依次切割成多个子图片；使用SIFT算法依次提取每一个子图片的特征向量，并与比较库中的多个标准特征向量逐一进行比对并判断是否相似，若判断为与该子图片的特征向量相似的标准特征向量的数量低于预定的阈值，则将该子图片标记为不合格镜片。

本发明还涉及一种光学元件缺陷批量自动识别方法，该方法包括以下步骤：S101，提供多个标准镜片，使用图像采集装置对所述多个标准镜片逐个进行拍照，并将所述多个标准镜片的照片输入分析装置；S102，分析装置采用SIFT算法针对所述多个标准镜片的照片提取多个标准特征向量，形成比对库；S103，将待检测的一批镜片安放在支架上；S104，对支架进行拍照，获得包含所述一批镜片的图像并输入所述分析装置；S105，分析装置对所述图像用拉普拉斯算子进行锐化，并用罗伯特算子进行边缘提取，然后将所述一批镜片中的每一个镜片的图像中依次切割成多个子图片；S106，使用SIFT算法依次提取每一个子图片的特征向量，并与比较库中的多个标准特征向量逐一进行比对并判断是否相似，若判断为与该子图片的特征向量相似的标准特征向量的数量低于预定的阈值，则将该子图片标记为不合格镜片。

本发明的光学元件缺陷批量自动识别方以SIFT算法缺陷识别的特征提取算法，利用了该算法对图像的变形和光照的不均匀有很好的抗干扰性，提高了缺陷识别的精确度，对镜片旋转不敏感，对光源的要求也大大降低。

附图说明

图1是本发明的光学元件缺陷批量自动识别方法的一个实施例的流程图。

图2是本发明的光学元件缺陷批量自动识别装置的一个实施例的示意图。

具体实施方式

本发明主要用于加工完的光学镜片进行镀膜前后的表面缺陷的批量检测，利用先进的图像处理算法，可以一次性批量检测一组镜片，装置主要由光源等、工业级高清摄像头、安全认证设备、及专业图像工作站组成。

图1是本发明的光学元件缺陷批量自动识别方法的一个实施例的流程图，在该实施例中，该方法包括：

S101，提供多个标准镜片，使用图像采集装置对所述多个标准镜片逐个进行拍照，并将所述多个标准镜片的照片输入分析装置；

S102，分析装置采用SIFT算法针对所述多个标准镜片的照片提取多个标准特征向量，形成比对库；

S103，将待检测的一批镜片安放在支架上；

S104，对支架进行拍照，获得包含所述一批镜片的图像并输入所述分析装置；

S105，分析装置对所述图像用拉普拉斯算子进行锐化，并用罗伯特算子进行边缘提取，然后将所述一批镜片中的每一个镜片的图像中依次切割成多个子图片；

S106，使用SIFT算法依次提取每一个子图片的特征向量，并与比较库中的多个标准特征向量逐一进行比对并判断是否相似，若判断为与该子图片的特征向量相似的标准特征向量的数量低于预定的阈值，则将该子图片标记为不合格镜片。

SIFT(Scale Invariant Feature Transform)算法即尺度不变特征变换算法，一般应用于对图像特征，特别是特征向量的提取，其对图像的变形和光照的不均匀有很好的抗干扰性。

优选地，可根据比对精度和比对时间的要求，适当地选择步骤S101中的标准镜片的数量，例如但不限于大约20个左右，或者更多。优选地，可使用高清摄像头逐个对这些标准镜片进行拍照，以提高图像质量。

在步骤S103中，优选地，可将待检测的一批镜片以阵列形式布置于支架上，以便于后续的步骤S105中对子图像的切割。优选地，支架可为平板型或伞形，以利于镜片的安放。

优选地，在步骤S104中，可对支架进行多次拍照，并将获得的多幅待检测镜片的照片都输入分析装置，并通过分析装置自动地或人工地筛选出图像质量最好的一幅图像作为检测对象，从而进一步提高检测精度。

优选地，在步骤S106中，可利用各种现有的算法判断子图像的特征向量与比对库中的每个标准特征向量是否相似，例如通过欧氏距离判断等方法，并将根据质量要求预先设定阈值，如果与子图像的特征向量“相似”的标准特征向量的数量低于该阈值，则该子图像对应的镜片为不合格。可根据检测精度和效率的要求折中选择该阈值，例如优选地，该阈值可设为1，也就是说，只要与一个标准向量“相似”，即可判断为镜片合格，优选地，可通过分析装置自动在原检待测图片上该不合镜片的子图片的相应位置上标上特定符号，以便于识别。

图2是本发明的光学元件缺陷批量自动识别装置的一个实施例的结构框图，在该实施例中，该装置包括：

光源201，为拍摄标准镜片及待检测的镜片提供光照；

支架202，用于盛放将待检测的一批镜片；

图像采集装置203，对多个标准镜片逐个进行拍照，并将所述多个标准镜片的照片输入分析装置204；并对支架202进行拍照，获得包含一批镜片的图像并输入分析装置204；

分析装置204，采用SIFT算法针对所述多个标准镜片的照片提取多个标准特征向量，形成比对库；对所述图像用拉普拉斯算子进行锐化，并用罗伯特算子进行边缘提取，然后将所述一批镜片中的每一个镜片的图像依次切割成多个子图片；使用SIFT算法依次提取每一个子图片的特征向量，并与比较库中的多个标准特征向量逐一进行比对并判断是否相似，若判断为与该子图片的特征向量相似的标准特征向量的数量低于预定的阈值，则将该子图片标记为不合格镜片。

优选地，可根据比对精度和比对时间的要求，适当地选择标准镜片的数量，例如但不限于大约20个左右，或者更多。优选地，可使用高清摄像头作为图像采集装置203逐个对这些标准镜片进行拍照，以提高图像质量。

优选地，可将待检测的一批镜片以阵列形式布置于支架202上，以便于后续分析装置对子图像的切割。优选地，支架202可为平板型或为伞形，以利于镜片的安放。

优选地，图像采集装置203可对支架202进行多次拍照，并将获得的多幅待检测镜片的照片都输入分析装置204，并通过分析装置204自动地或人工地筛选出图像质量最好的一幅图像作为检测对象，从而进一步提高检测精度。

优选地，分析装置204可利用各种现有的算法计算子图像的特征向量与比对库中的每个标准特征向量是否相似，例如通过向量相似度判断等方法，并将根据质量要求预先设定阈值，如果与子图像的特征向量“不相似”的标准特征向量的数量低于该阈值，则该子图像对应的镜片为不合格。可根据检测精度和效率的要求折中选择该阈值，例如优选地，该阈值可设为1，也就是说，只要与一个标准向量“相似”，即可判断为镜片合格，优选地，可通过分析装置204自动在原检待测图片上该不合镜片的子图片的相应位置上标上特定符号，以便于识别。

优选地，本发明的上述实施例的方法和装置可应用于镜片生产过程中镀膜前的检测阶段，在正式生产之前，先生产多个缺陷很少的标准镜片以形成比对库，然后开始镜片的批量生产，在镀膜之前对一批镜片进行检测，通过人工或机器自动清除不合格镜片，即缺陷超出阈值的镜片，以提高镜片质量。

上述实施例是用于例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修改。因此本发明的保护范围，应如本发明的权利要求书所列。